五度妙笔
企业透视镜
API商城
数据库独家观点｜杨红霞、陈海青、吴建民：95%对65%，一个专用小模型凭什么跑赢通用大模型
独
家
观
点
如果你正在为算力预算发愁，为数据合规反复拉扯，或是发现通用大模型始终啃不动自己所在的垂直场景，来自香港理工大学的杨红霞团队或许正在回答你真正关心的问题：当“堆算力、堆数据”的边际收益越来越低，下一轮竞争优势会出现在哪里？
核心看点：
为什么单纯扩大模型规模的路径正在失效？ 一项训练效率提升43%的低比特技术，如何降低中小机构的参与门槛？ 一个95% vs 65%的真实对比数据，揭示专用模型反超通用大模型的关键条件 “操作系统”概念如何从管理硬件，演变为直接调度Agent完成任务企业在这场变局中，可以现在就做的事
杨红霞
香港理工大学计算与数学学院副院长、人工智能高等研究院执行院长、讲座教授及InfiX.ai创始人。曾任字节跳动美国大语言模型负责人及阿里巴巴AI科学家，长期从事生成式AI基础模型与协作式AI研究。
陈海青
InfiX.ai联合创始人兼副总裁，拥有十六年AI产品、基础模型与AI基础设施产业经验，曾主导阿里通义千问、通义万相及阿里云百炼等核心项目建设。
吴建民
香港理工大学人工智能高等研究院首席架构师，在大模型训练、AI基础设施及多模态模型领域拥有十余年经验，曾主导字节跳动、豆包与阿里巴巴通义等大模型系统建设。
以下为杨红霞&陈海青&吴建民独家观点的部分摘录：
大模型发展方向应从“Model over Data（MoD）训练”转向“Model over Models（MoM）协作”
“领域专家与AI专家之间形成巨大断层——真正掌握行业知识的人，往往无法参与模型构建。”
/ 01
今天的AI行业默认一条“真理”：算力越大越强，Scaling Law是通往AGI的唯一路径。但三位嘉宾的判断是：大模型的未来不在“更大”，在“更协作”。
理由有三：训练成本极度高昂，动辄百万级GPU Hours，形成难以跨越的算力门槛；医疗、金融、制造等高价值行业数据因隐私合规无法集中到统一平台进行训练；通用模型虽知识广泛，却进不去需要专业判断的垂直场景。
“未来的核心，不再是重新训练一个更大的中心化模型，而是构建一个能够连接、融合、协作并持续演化海量领域模型的协作式Co-GenAI网络。”
当成本、数据和专业知识同时成为瓶颈，“把所有数据集中起来再训练一个更大模型”的路线难以覆盖千行百业。三位嘉宾的答案是“Model over Models”——不同机构保留自己的数据与模型，通过连接、融合和协作，形成持续演化的能力网络。
一个佐证：团队自研的InfiMed模型基于医院本地病理数据训练，癌症诊断准确率达95%，通用大模型Gemini-3在同一任务上仅65%。这意味着，一个体量小得多的专用模型，反而比参数量领先的通用大模型更懂行业。
（图源：现场火爆！理大杨红霞教授亮相2026世界人工智能大会）
协作式AI的四大核心基石（一）：FP8低比特训练
“‘FP8相比FP16/BF16，相当于把‘大模型训练的油耗’直接砍半——同样的GPU能训练更大的模型、更快完成训练，还能显著降低电费和算力成本。”
/ 02
协作式AI首先要解决的，是“谁有能力参与”。如果训练始终依赖超大规模集群，模型共建就只能停留在少数巨头之间。低比特训练的意义，不只是让某一次训练更快，而是降低显存、带宽和算力消耗，让更多企业和机构有机会在本地训练自己的专业模型。
协作式AI的四大核心基石（二）：模型融合
“模型融合让已有模型像开源软件一样支持知识融合、校准与持续进化。”
/ 03
行业默认“模型是训出来的，越大越好”。但杨红霞团队提出的“模型融合”提供了另一条路径：已有模型不必推倒重来，而是通过知识对齐、融合与校准，将数学、代码、推理、领域知识等多个能力汇聚到同一个模型中。
团队为此搭建了一条自动化训练流水线。首先对模型训练中的输入输出信息进行压缩和优化，减少数据传输和计算开销；随后对不同模型之间的知识进行对齐和融合，提升跨领域泛化能力；最后使用融合后的fused模型作为“老师模型”，让模型学习能力更强，也更符合真实应用场景和人类偏好。
这套流水线的最大优势是：在效果提升的同时大幅降低训练成本。传统BF16精度训练需要庞大的GPU算力，而融合方案用更少的GPU小时即可实现更好的训练效果。“简单来说，我们希望让大模型训练从‘只有少数超级算力中心能做’，逐步走向‘更多企业和机构都能参与’。”
协作式AI的四大核心基石（三）：智能体原生操作系统
“传统OS负责‘让应用运行’，而Agent-Native OS则是‘让智能体直接完成任务’。”
/ 04
行业默认“Agent是跑在操作系统上的应用”。但Agent-Native OS的轮廓正在改变这一判断：操作系统的核心不再是封装CPU、内存、存储等硬件资源交给应用调用，而是让Agent直接面向任务——主动整合底层硬件、工具、数据、协议与服务能力，自主拆解目标、规划步骤并执行行动。
这一转变的核心是“动作—观察—反馈”闭环。大模型拆解目标、调度规划，调用浏览器、终端、数据库等功能模块；环境返回状态、错误与约束；验证器、监控器与人类反馈转化为纠偏信号；通过memory和skills将完整运行轨迹压缩为可复用经验。
在这种新架构里，传统操作系统的每个层次都在被重新定义：调度器不只分配CPU时间，还分配上下文窗口、工具额度、子Agent与成本预算；长程任务像进程一样持续运行；文件系统扩展为知识、记忆与技能库；网络层从连接设备演化为连接API、工具协议与Agent间协作协议。
Agent由此从调用单一应用的“工具使用者”，变成组织多种资源协同完成任务的“操作系统本身”——它不再是操作系统之上的应用层，而是操作系统本身正在被重写。
协作式AI的四大核心基石（四）：Co-GenAI协作平台
“我们不仅是在建设一个更强的模型，更是为了交付一个能让全社会各行各业低门槛共建、共享AI能力的‘新基建’。”
/ 05
低精度训练降低了算力门槛，模型融合连接了分散知识，Agent-Native OS组织行动链——但三项技术要真正从实验室走向产业，还需要一个能承载全流程的协作平台。
三位嘉宾搭建的InfiXspeed Co-GenAI协作平台，正是这个“生产力中枢”。它覆盖数据处理、模型训练、评测调优、推理部署及业务集成全流程，让企业无需从零搭建技术栈，即可接入协作式AI的能力网络。
它的核心差异化在于：深度适配FP8低精度训练范式，形成成熟的低成本规模化训练方案；同时支持不同领域、不同精度模型的兼容适配与协同推理，实现模型能力互补。传统平台只能训练“一个模型”，Co-GenAI平台可以协作“一群模型”——为后续分布式模型共建、全域智能协同提供核心支撑。
可在微信小店购买纸刊
也可扫码在线阅读
扫码进入#07期《WAIC UP!》
解锁10篇AI时代最实用的解决方案
Hello:
世界人工智能大会（WAIC）推出首份刊物《WAIC UP!》，一部「AI时代进化指南」。
WAIC UP! WAKE UP MORE！
我们邀请全球AI及跨领域的先锋力量，共同释放思考的力量与智慧的主张，旨在唤醒更多人，探究关乎技术跃迁、自我边界和未来文明的无限可能。
准备好！释放你的思考，觉醒你的行动，与我们一同探究那些尚未显现的可能性，勾勒以人为中心的未来智慧文明全景图！
